Factors underlying treatment decision-making for localized prostate cancer in the U.S. and Canada: A scoping review using principal component analysis
Notice bibliographique
Résumé
INTRODUCTION: The purpose of this research is to gather, collate, and identify key factors commonly studied in localized prostate cancer (LPC) treatment decision-making in Canada and the U.S. METHODS: This scoping review uses five databases (Medline, EMBASE, CINAHL, AMED, and PsycInfo) to identify relevant articles using a list of inclusion and exclusion criteria applied by two reviewers. A list of topics describing the themes of the articles was extracted and key factors were identified using principal component analysis (PCA). A word cloud of titles and abstracts of the relevant articles was created to identify complementary results to the PCA. RESULTS: This review identified 77 relevant articles describing 32 topics related to LPC treatment decision-making. The PCA grouped these 32 topics into five key factors commonly studied in LPC treatment decision-making: 1) treatment type; 2) socioeconomic/demographic characteristics; 3) personal reasons for treatment choice; 4) psychology of treatment decision experience; and 5) level of involvement in the decision-making process. The word cloud identified common phrases that were complementary to the factors identified through the PCA. CONCLUSIONS: This research identifies several possible factors impacting LPC treatment decision-making. Further research needs to be completed to determine the impact that these factors have in the LPC treatment decision-making experience.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,016 | 0,030 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».